近些年来,随着互联网的发展,数据量明显增加。我们每个人的信息也日益增多,这些信息都有着很大的价值。网络如此发达的今天,我们在日常生活中很多行为都有暴露我们信息的可能性。这些数据都有着很大的商业价值,会带来很大的商业回报,所以这些信息都面临着随时可能被窃取的危险。在当今社会,对待隐私的安全已经成为了一个当务之急,很多关于隐私保护方面研究也都在进行。隐私保护是当前针对个人信息保护的一种十分有效的方式。它的具体实现就是向数据中添加噪声,使得真实的数据不能被攻击者获得,这样就保护了我们的信息。这种方法大大加强了保护隐私的能力,但缺点就是当噪声过多的时候,对数据的可用性降低。本文就是针对前人利用差分隐私拉普拉斯机制研究的线性回归分析基础之上,针对时间复杂度过高以及噪声添加过多的问题进行改进。针对这两个问题采取空间交换时间的方法,降低时间复杂度。当需要对数据进行噪声添加的时候,首先对数据进行筛选,然后添加噪声,从而降低噪音的添加量。本算法有以下两个特点:一、在对数据添加噪声之前对数据进行筛选以及优化,从而减少噪声的添加量。二、不再采用常数噪声添加,提高了数据的安全性。将随机噪声进行排序对应加入到排序好的数据中,提高了数据的可用性。由于将数据直接添加到回归分析之中,会引发隐私泄露问题,所以利用差分隐私拉普拉斯机制使用我设计的算法去添加噪声,将处理过得数据再加入回归分析之中,很大程度的提高了数据的安全性。具体工作如下:一、阅读现有的有关隐私保护以及差分隐私方面的文献,研究目前差分隐私方面的工作进展,找出其中的不足,对其中的内容进行分析,得到现行可以进行改进的方面。二、在理论层面进行研究,对采取方法进行理论分析。三、建立数学模型,对模型进行改进,最后通过实验对模型验证。